Eine In-Silico-Studie zur prospektiven Bewertung der Leistung eines Radiomics-Algorithmus für UIP im Vergleich zu Ärzten
14. März 2023 aktualisiert von: Maastricht University
Der Zweck dieser Studie ist es, die AI-Leistung mit der Leistung des Arztes bei der Bewertung von IPF/UIP und ILDs ohne UIP (durch Biopsie nachgewiesen) zu vergleichen.
Studienübersicht
Status
Abgeschlossen
Intervention / Behandlung
Studientyp
Beobachtungs
Einschreibung (Tatsächlich)
145
Kontakte und Standorte
Dieser Abschnitt enthält die Kontaktdaten derjenigen, die die Studie durchführen, und Informationen darüber, wo diese Studie durchgeführt wird.
Studienorte
-
-
Limburg
-
Maastricht, Limburg, Niederlande, 6229ER
- Maastricht University
-
-
Teilnahmekriterien
Forscher suchen nach Personen, die einer bestimmten Beschreibung entsprechen, die als Auswahlkriterien bezeichnet werden. Einige Beispiele für diese Kriterien sind der allgemeine Gesundheitszustand einer Person oder frühere Behandlungen.
Zulassungskriterien
Studienberechtigtes Alter
- Kind
- Erwachsene
- Älterer Erwachsener
Akzeptiert gesunde Freiwillige
Ja
Studienberechtigte Geschlechter
Alle
Probenahmeverfahren
Nicht-Wahrscheinlichkeitsprobe
Studienpopulation
Patienten, die HRCT hatten und IPF/UIP in CT-Bildern zeigten, oder Patienten, bei denen aufgrund von MMD Verdacht auf IPF besteht und die durch Lungenbiopsie nachgewiesen wurde.
Beschreibung
Einschlusskriterien:
- die Verfügbarkeit von HRCT ohne Kontrastmittelverstärkung
Ausschlusskriterien:
- die Verwendung von Kontrastverstärkung
- Bilder mit Metall- oder Bewegungsartefakten
- Rekonstruierte Bilder mit einer Schichtdicke von mehr als 1,5 mm
Studienplan
Dieser Abschnitt enthält Einzelheiten zum Studienplan, einschließlich des Studiendesigns und der Messung der Studieninhalte.
Wie ist die Studie aufgebaut?
Designdetails
Kohorten und Interventionen
Gruppe / Kohorte |
Intervention / Behandlung |
|---|---|
|
IPF/UIP_CT-basiert
Patienten mit einem ILD- und einem pathologischen UIP-Muster und einer endgültigen Diagnose von IPF
|
Sonstiges: Radiomics-Modell zur Klassifizierung zwischen IPF mit UIP-Muster und ILDs ohne UIP-Muster
Ziel ist es, die Leistung von KI mit der Leistung von Ärzten zu bewerten
|
|
Basierend auf IPF/UIP_Biopsie
Patienten mit einer endgültigen Diagnose von IPF, aber einem weniger typischen HRCT-Muster (Lungenbiopsie für die Diagnose erforderlich)
|
Sonstiges: Radiomics-Modell zur Klassifizierung zwischen IPF mit UIP-Muster und ILDs ohne UIP-Muster
Ziel ist es, die Leistung von KI mit der Leistung von Ärzten zu bewerten
|
|
ILD aber nicht IPF und beweisen durch Biopsie nicht UIP
Patienten mit einer ILD und einem pathologischen Nicht-UIP-Muster
|
Sonstiges: Radiomics-Modell zur Klassifizierung zwischen IPF mit UIP-Muster und ILDs ohne UIP-Muster
Ziel ist es, die Leistung von KI mit der Leistung von Ärzten zu bewerten
|
|
Normal
Normale gesunde Patienten
|
Sonstiges: Radiomics-Modell zur Klassifizierung zwischen IPF mit UIP-Muster und ILDs ohne UIP-Muster
Ziel ist es, die Leistung von KI mit der Leistung von Ärzten zu bewerten
|
Was misst die Studie?
Primäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Die Leistung des Radiomics-Algorithmus im Vergleich zur Grundwahrheit
Zeitfenster: Mai 2021
|
Berichterstattung über die Leistungskennzahl: Genauigkeit
|
Mai 2021
|
Sekundäre Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vergleich der Leistung des Radiomics-Algorithmus mit der von Ärzten
Zeitfenster: Juni 2021
|
Korrektheit der Diagnose - wahrscheinlichstes Dünnschnittmuster (dichotomes Ergebnis: ja oder nein)
|
Juni 2021
|
Andere Ergebnismessungen
Ergebnis Maßnahme |
Maßnahmenbeschreibung |
Zeitfenster |
|---|---|---|
|
Vergleich der Leistung des Radiomics-Algorithmus mit der Leistung eines einzelnen Arztes
Zeitfenster: Juni 2021
|
Korrektheit der Diagnose - wahrscheinlichstes Dünnschnittmuster (dichotomes Ergebnis: ja oder nein)
|
Juni 2021
|
|
Vergleich der Reproduzierbarkeit der Diagnose zwischen den Ärzten
Zeitfenster: Juni 2021
|
Messen der Konkordanz in der Diagnose zwischen den Ärzten und für jeden Arzt separat unter Verwendung des Konkordanz-Korrelationskoeffizienten.
|
Juni 2021
|
Mitarbeiter und Ermittler
Hier finden Sie Personen und Organisationen, die an dieser Studie beteiligt sind.
Sponsor
Studienaufzeichnungsdaten
Diese Daten verfolgen den Fortschritt der Übermittlung von Studienaufzeichnungen und zusammenfassenden Ergebnissen an ClinicalTrials.gov. Studienaufzeichnungen und gemeldete Ergebnisse werden von der National Library of Medicine (NLM) überprüft, um sicherzustellen, dass sie bestimmten Qualitätskontrollstandards entsprechen, bevor sie auf der öffentlichen Website veröffentlicht werden.
Haupttermine studieren
Studienbeginn (Tatsächlich)
1. Juni 2017
Primärer Abschluss (Tatsächlich)
30. Dezember 2021
Studienabschluss (Tatsächlich)
30. Dezember 2021
Studienanmeldedaten
Zuerst eingereicht
19. Mai 2021
Zuerst eingereicht, das die QC-Kriterien erfüllt hat
14. März 2023
Zuerst gepostet (Tatsächlich)
24. März 2023
Studienaufzeichnungsaktualisierungen
Letztes Update gepostet (Tatsächlich)
24. März 2023
Letztes eingereichtes Update, das die QC-Kriterien erfüllt
14. März 2023
Zuletzt verifiziert
1. März 2023
Mehr Informationen
Begriffe im Zusammenhang mit dieser Studie
Zusätzliche relevante MeSH-Bedingungen
Andere Studien-ID-Nummern
- ISTRU
Arzneimittel- und Geräteinformationen, Studienunterlagen
Studiert ein von der US-amerikanischen FDA reguliertes Arzneimittelprodukt
Nein
Studiert ein von der US-amerikanischen FDA reguliertes Geräteprodukt
Nein
Diese Informationen wurden ohne Änderungen direkt von der Website clinicaltrials.gov abgerufen. Wenn Sie Ihre Studiendaten ändern, entfernen oder aktualisieren möchten, wenden Sie sich bitte an register@clinicaltrials.gov. Sobald eine Änderung auf clinicaltrials.gov implementiert wird, wird diese automatisch auch auf unserer Website aktualisiert .